吉林省地理标志大米由于其地理位置和气候环境独特,具有多重优势和独特品质的吉林大米闻名全国,研究其地理标志大米产地确证技术具有重要意义。本文主要探讨反向传播人工神经网络(Back-Propagation Artificial Neural Network,BP-ANN)在相邻近区域产地确证上应用的可行性,建立柳河及其相邻近区域非柳河产区的产地确证模型,可为建立吉林地理标志大米保护体系提供理论依据。本研究主要采集来自吉林省柳河县及其相邻区域非柳河的水稻样本共120份,品种均为稻花香。通过原子吸收光谱法检测大米样本中Cu、Zn、Fe、Mn、K、Ca、Na、Mg、Pb、Cd,10种矿物质元素的含量,同时采用傅里叶近红外光谱仪收集光谱数据,将得到的数据分别进行预处理,然后进行训练集和测试集的划分,分别建立BP神经网络模型,并对建立的模型采用遗传算法(Genetic Algorithm,GA)进行优化。主要结论如下:(1)以矿物质元素为基础数据建立的BP-ANN产地模型都能够较准确的进行柳河与非柳河产区的分类,具有较高的鉴别精度,产地模型训练集分类准确率为95%,测试集分类准确率为85%。(2)基于矿物质元素的BP-ANN产地确证模型经过GA进行权值阈值优化,使得模型的精度得到提升,优化后训练集准确率为96.25%,较优化前提高了1.25%;测试集准确率为87.5%,较优化前准确率提高了2.5%,泛化能力也更优。(3)近红外光谱数据经过Savitzky-Golay卷积平滑预处理,采用主成分分析法进行数据降维,提取前三个主成分作为输入变量,建立BP-ANN模型,模型训练集准确率为97.83%,测试集准确率为87.5%。能够较准确的进行柳河地理标志大米的产地确证。(4)基于近红外光谱的BP-ANN产地确证模型经过GA优化,模型训练集准确率可达到100%,测试集准确率提升至91.3%,模型特异度可达100%,泛化能力优于优化前。(5)GA结合BP-ANN模型在产地确证方面具有可行性,并且GA能够使得模型的泛化能力更优,产地鉴别准确率更高。